基于多目标优化与证据迭代更新的工业报警器设计方法转让专利
申请号 : CN202010207522.4
文献号 : CN111443686B
文献日 : 2021-08-10
发明人 : 徐晓滨 , 张凯 , 翁旭 , 胡燕祝 , 侯平智 , 高海波 , 马枫
申请人 : 杭州电子科技大学
摘要 :
权利要求 :
1.基于多目标优化与证据迭代更新的工业报警器设计方法,其特征在于该方法包括以下各步骤:
(1)设定报警器的辨识框架为Θ={NA,A},其中NA=0表示设备处于正常运行状态,A=
1表示设备处于异常运行状态;
(2)设报警器的输入为x,其中x(t)是传感器监测设备的在线序列,t为采样的时刻,采样的个数由报警器的监测周期和监控计算机设备来决定,xmin为输入的最小值,xmax为输入n 1 2 N
的最大值,则输入参照值集合为U={U|n=1,2,...,N},其中xmin=U
为V={V|m=1,2},其中V=NA=0,V=A=1;
(3)利用传感器得到x的测量序列的历史数据集作为训练样本,表示为X={x(t),t=1,
2,3,…T},并已知其中有L1个是设备处于正常运行状态下的测量值,对应输出y(t)=0,有L2个是在设备处于异常运行状态下的测量值,对应输出y(t)=1,满足L1+L2=T,将T个样本矢量表示为样本矢量集合S=[x(t),y(t)]的形式,然后分别转化为相应的综合似同度形式;
(4)将样本矢量集S中所有的样本转化为综合似同度的形式,然后构造输出参照值和输入参照值之间的投点映射矩阵,如下表1所示,其中εm,n表示所有样本矢量[x(t),y(t)]中样n m
本输入值x(t)匹配参照值U,样本输出值y(t)匹配参照值V的综合似同度之和,n
表示所有输入值x(t)对参照值U的样本矢量综合似同度之和, 表示所有输出m
值y(t)对参照值V的样本矢量综合似同度之和,并有表1样本[x(t),y(t)]的投点映射矩阵(5)根据步骤(4)中的投点映射矩阵,通过似然归一化的处理,获得当输入值x(t)对应n m
参照值U时,输出值y(t)对应参照值V的证据为n
并有 则定义对应于参照值U的报警证据为构造如表2所示的报警证据矩阵分布表来描述输入x(t)和输出y(t)之间的关系;
表2输入x(t)的报警证据分布表n‑1 n
(6)在线获取输入变量x(t),其必然会隶属于某一个区间[U ,U],进而相应的两条报警证据 被激活,可通过报警证据加权和的形式得到报警器在此时刻的报警证据m
et={(V ,pm,t),m=1,2}pm,t=αn‑1θm,n‑1+αnθm,nn n‑1
其中αn表示输入变量x(t)在参照值U下的似同度,αn‑1表示输入变量x(t)在参照值U下的似同度;
(7)根据步骤(6)获得t时刻关于输入x(t)的报警证据et,然后利用融合规则将et与t历m
史时刻所获得的全局报警证据进行融合,从而得到t时刻全局报警证据Et={(V ,pm,t→e(2)),m=1,2},其中pm,t→e(2)表示t时刻两个报警证据融合后的概率,并且在t≥3时刻构建启发式准则库在线更新每个新进输入所得的报警证据的可靠性rt,i,每时刻两条证据权重wt,i为定值;
m
(8)根据步骤(7)得到每一时刻的全局报警证据Et={(V ,pm,t→e(2)),m=1,2}若p1,t→e(2)≥p2,t→e(2),则表明在t时刻设备处于正常状态;若p1,t→e(2)
其中步骤(3)具体是:
n
(3‑1)采样集的样本矢量[x(t),y(t)]的输入值x(t)与参照值U的似同度分布:n
Ru(x(t))={(U ,αn)|n=1,...,N}其中
αn'=0 n'=1,...,N,n'≠n,n+1n
αn表示输入值x(t)在参照值U下的似同度;
m
(3‑2)计算样本矢量[x(t),y(t)]中的输出值y(t)与参照值V的似同度分布为m
Rv(y(t))={(V ,βm)|m=1,2}其中
βm'=0 m'=1,...,M,m'≠m,m+1m
βm表示输出值y(t)在参照值V下的似同度;
(3‑3)采样集样本矢量[x(t),y(t)]根据步骤(3‑1)和步骤(3‑2)输入输出的匹配关系被转化为相应似同度分布形式(αnβm,αn+1βm,αnβm+1,αn+1βm+1),其中,αnβm表示样本矢量[x(t),n m
y(t)]中,分别x(t)在输入值参照值U下,y(t)在输出参照值V下的综合似同度;
其中步骤(7)具体是:
m
(7‑1)当t=1时,通过步骤(6)获得该时刻同时也是全局报警证据E1=e1={(V ,pm,1→e(2)),m=1,2};
m
(7‑2)当t=2时,通过步骤(6)获得该时刻报警证据e2={(V ,pm,2),m=1,2},并设定两条证据权重w2,i=1,可靠性r2,i=0.9,i=1,2,利用融合规则将两个时刻的报警证据进行融合可得t=2时刻全局报警证据m
E2={(V ,pm,2→e(2)),m=1,2}其中
qm,i=w2,ipm,i,i=1,2m
(7‑3)当t≥3时,同样可获取报警证据et={(V ,pm,t),m=1,2},两证据权重wt,i不变,rt,1=0.9,利用启发式准则库在线更新新进报警证据的可靠性rt,2,然后进行融合得到全局报警证据,具体是:
m
(7‑3‑1)利用欧式距离计算证据Et‑2、Et‑1和et各自之间的距离,其中Et‑2={(V ,m m
pm,(t‑2)→e(2)),m=1,2},Et‑1={(V ,pm,(t‑1)→e(2)),m=1,2},et={(V ,pm,t),m=1,2},则然后将D12,D13,D23分别利用函数 映射到区间[0,1]上为d12,d13,d23,则支持度Aid(Et‑2)=1‑d12+1‑d13=2‑d12‑d13Aid(Et‑1)=1‑d12+1‑d23=2‑d12‑d23Aid(et)=1‑d13+1‑d23=2‑d13‑d23(7‑3‑2)构建启发式准则库输入输出之间的非线性映射,其中输入为(Aid(Et‑2),Aid(Et‑1),Aid(et)),输出为rt,2,输入的参照值集合 i代表第i个输入变量,Ji为第i个输入变量的参照值个数,输出参照值集合B={Bz|z=1,2,...,Z},Z为输出的参照值个数;
(7‑3‑3)构建启发式准则库,由K条准则构成,则建立的启发式准则库中第L条准则可描述为
Then{(B1,m1,L),(B2,m2,L),...,(BZ,mZ,L)}式中 表示第L条准则中第i个输入变量, K=J1×J2×…×Jn,(7‑3‑4)在t时刻获取到样本输入(Aid(Et‑2),Aid(Et‑1),Aid(et))作为所建模型的输入量,记为[Aid1,Aid2,Aid3],并通过准则推理获取t时刻新进报警证据的估计输出rt,2;
m
(7‑3‑5)根据(7‑2)中的公式进行证据的融合得t ≥3时刻的全局报警证据Et={(V ,pm,t→e(2)),m=1,2}。
2.根据权利要求1所述的基于多目标优化与证据迭代更新的工业报警器设计方法,其特征在于:步骤(7‑3‑4)具体是:①计算Aidi相对于输入参照值集合 的似同度,每一个输入必然会隶属于参照值集合的一个区间内,其似同度为
其余参照值的似同度为0;
②根据输入量Aidi和①中的公式确定被激活的准则,并计算第L条准则的激活权重上式中,wL∈[0,1],L=1,2,...,K,ψL∈[0,1],L=1,2,...,K,是第L条准则的权重,是第L条准则中第i个输入Aidi相对于参照值的似同度,它通过输入匹配信息转化而来;
③根据②得到每一条准则的激活权重wL后,将激活的每一条准则置信度mz,L进行融合,得到的融合结果记为 融合公式如下:④根据③进行决策,在t时刻对应输出为
3.根据权利要求1所述的基于多目标优化与证据迭代更新的工业报警器设计方法,其特征在于:还包括基于改进人工蜂群算法对报警器参数进行离线优化,具体步骤如下:n n
(9‑1)确定优化参数集合P={U ,wi|i=1,2;n=2,...,N‑1},U表示输入变量x(t)的参照值,wi表示报警证据的权重,约束条件为
1 2 N‑1 N
U
0
(9‑2)对蜜蜂种群进行初始化,蜂群的总数Size,设定引领蜂和观察蜂分别各占总数的一半,令全局搜索次数为Iter,最大全局搜索次数为Maxiter,蜜源停留最大限制次数为Limit,利用下式产生初始解空间Solvei,j=Solvemin,j+λ(Solvemax,j‑Solvemin,j)其中i表示产生的第i组解,j代表需要优化参数的个数,λ为(0,1)之间的随机数;
搜索蜂在解的范围内进行全局随机搜索,并通过下式的适应度函数来评估收益度:其中fitness(i)表示第i个蜜源对应solvei的收益度,f(si)表示第i个蜜源对应solvei的目标函数值;
(9‑3)根据步骤(9‑2)得到所采蜜源的收益度,收益度排名前50%的成为引领蜂,收益度排名后50%的成为观察蜂,观察蜂等待引领蜂的蜜源信息进行跟随;
(9‑4)引领蜂在蜜源的周围利用下式进行多维搜索产生新的蜜源new_solvei,j=solvei,j+μ(solvei,j‑solvek,j)式中k∈{1,2,...,Size},k≠i,j代表需要优化参数的个数,μ为(‑1,1)之间的随机数;
若新产生的蜜源在解空间范围内则继续进行搜索,若不在解空间范围内,需重复产生新的蜜源,直到产生的新蜜源在解空间范围内即可,并评估新蜜源的收益度,利用下式达到择优的目的;
(9‑5)计算观察蜂转变为引领蜂采此蜜源的概率,每个蜜源被选择的概率公式如下:式中Select代表蜜源被选择的概率,fitness表示适应度函数;
(9‑6)若某个旧蜜源停留超过Limit次,通过如下公式进行更新Solvei=Solvemin+λ(Solvemax‑Solvemin)λ为(0,1)之间的随机数;
满足迭代条件,根据收益度记录全局最优参数集合P;现由设备监测传感器采集输入特征信号,将其利用步骤(1)和步骤(2)进行预处理,然后重复利用步骤(3)至步骤(8)即可得到全局报警证据,从而进行报警决策。
说明书 :
基于多目标优化与证据迭代更新的工业报警器设计方法
技术领域
背景技术
间、工厂及设备运行过程的各个层次,与此同时,由于工业生产过程的纷繁复杂性,作为生
产过程中的关键设备自然也就成为重点研究对象。如何实时监测设备运行状态,利用先进
的信息处理方法及时、快速的发现设备异常从而保证生产过程的正常运行是相关科研和技
术人员要解决的首要问题。
故。传统的工业报警器是否报警取决于所监测的报警变量是否触发设定的报警阈值,这种
通过单一阈值触发报警产生的机制,在实际应用中常常会导致误报、漏报等情况发生,引起
工作人员无法准确判断设备的真实状况,从而导致设备的故障。通常衡量一个报警器性能
的基本指标为误报率(FAR)、漏报率(MAR)和平均延迟时间(AAD)。传统的报警方法采用过程
变量超过阈值则立即报警、低于阈值报警即刻解除的机制,但是考虑到其它不确定影响因
素以及实际中复杂的运行状况,传统方法并不能很好的处理各种不确定性,从而导致报警
器的性能变差。
发明内容
投点映射变换法将历史数据集转化为报警证据,用启发式准则库对证据的可靠性进行实时
更新,利用融合规则进行报警证据的融合,相关参数进行离线优化,并在判定准则下判定是
否发出警报,从而有效降低不确定性的影响,提升报警器的各个性能指标。
n 1 2
小值,xmax为输入的最大值,则输入参照值集合为U={U |n=1,2,...,N},其中xmin=UN
<…m 1 2
(t),其参照值集合为V={V|m=1,2},其中V=NA=0,V=A=1。
0,有L2个是在设备处于异常运行状态下的测量值,对应输出y(t)=1,满足L1+L2=T,将T个
样本矢量表示为样本矢量集合S=[x(t),y(t)]的形式,然后分别转化为相应的参照值似同
度形式,具体步骤如下:
n m
(t),y(t)]中,分别x(t)在输入值参照值U下,y(t)在输出参照值V下的综合似同度。
n m
矢量[x(t),y(t)]中样本输入值x(t)匹配参照值U ,样本输出值y(t)匹配参照值V的综合似
n
同度之和, 表示所有输入值x(t)对参照值U 的样本矢量综合似同度之和,
m
表示所有输出值y(t)对参照值V 的样本矢量综合似同度之和,并有
(t)对应参照值U时,输出值y(t)对应参照值V的证据为
时刻的报警证据
m
{(V ,pm,t→e(2)),m=1,2},其中pm,t→e(2)表示t时刻两个报警证据融合后的概率,并且在t≥3
时刻构建启发式准则库在线更新每个新进输入所得的报警证据的可靠性rt,i,每时刻两条
证据权重wt,i为定值,i=1,2,具体步骤如下:
进行融合可得t=2时刻全局报警证据
(6‑b)和式(6‑c)进行融合得到全局报警证据,具体更新步骤如下:
pm,(t‑2)→e(2)),m=1,2},Et‑1={(V ,pm,(t‑1)→e(2)),m=1,2},et={(V ,pm,t),m=1,2},则
第i个输入变量,Ji为第i个输入变量的参照值个数,输出参照值集合B={Bz|z=1,2,...,
Z},Z为输出的参照值个数。
具体步骤如下:
化而来。
={(V ,pm,t→e(2)),m=1,2}。
次数为Limit,利用下式产生初始解空间
式(16a)产生新的蜜源,直到产生的新蜜源在解空间范围内即可,并评估新蜜源的收益度,
利用下式达到择优的目的;
可得到全局报警证据,从而进行报警决策。
证据的可靠性进行实时更新,然后利用融合规则将当前时刻报警证据与其以往时刻全局的
报警证据进行融合,权重和输入参照值进行离线优化,并在判定准则下判定是否发出警报,
从而有效降低不确定性因素的影响,提升报警器的各个性能指标。根据本发明方法编制的
程序(编译环境LabVIEW,C++等)可以在监控报警计算机上运行,并联合传感器、数据采集器
及数据存储器等硬件组成在线报警系统,实现对监测设备运行状况的实时报警功能。
附图说明
实时更新,利用融合规则将报警证据进行融合,其他相关参数进行离线优化,从而在实际中
达到降低不确定性因素对报警性能的影响,其流程框图如图1所示,包括以下各步骤:
n 1 2
小值,xmax为输入的最大值,则输入参照值集合为U={U |n=1,2,...,N},其中xmin=UN
<…m 1 2
(t),其参照值集合为V={V|m=1,2},其中V=NA=0,V=A=1。
[15,150],对应输出是离散值0和1,故可设输出参照值集合V={1,2},M=2;输入x(t)的参
照值集合U={15,30,45,60,70,80,85,90,95,100,110,120,130,150},N=14。
0,有L2个是在设备处于异常运行状态下的测量值,对应输出y(t)=1,满足L1+L2=T,将T个
样本矢量表示为样本矢量集合S=[x(t),y(t)]的形式,然后分别转化为相应的参照值似同
度形式,具体步骤如下:
=1000个测量值是在设备处于异常运行状态测得的,对应输出y(k)=1;则有L1+L2=T=
4000。
n m
(t),y(t)]中,分别x(t)在输入值参照值U下,y(t)在输出参照值V下的综合似同度。
=0.6;由式(2a)‑(2c)输出值y(t)匹配参照值的似同度为β1=1,β2=0,进而可获得样本矢
量(x(t),y(t))的综合似同度分布(αnβm,αn+1βm,αnβm+1,αn+1βm+1)=(0.4,0.6,0,0)。
n m
矢量[x(t),y(t)]中样本输入值x(t)匹配参照值U ,样本输出值y(t)匹配参照值V的综合似
n
同度之和, 表示所有输入值x(t)对参照值U 的样本矢量综合似同度之和,
m
表示所有输出值y(t)对参照值V的样本矢量综合似同度之和,并有
可构造出上表中的投点映射关系,如下表3所示。
(t)对应参照值U时,输出值y(t)对应参照值V的证据为
时刻的报警证据
m
{(V ,pm,t→e(2)),m=1,2},其中pm,t→e(2)表示t时刻两个报警证据融合后的概率,并且在t≥3
时刻构建启发式准则库在线更新每个新进输入所得的报警证据的可靠性rt,i,每时刻两条
证据权重wt,i为定值,i=1,2,具体步骤如下:
进行融合可得t=2时刻全局报警证据
(6‑b)和式(6‑c)进行融合得到全局报警证据,具体更新步骤如下:
pm,(t‑2)→e(2)),m=1,2},Et‑1={(V ,pm,(t‑1)→e(2)),m=1,2},et={(V ,pm,t),m=1,2},则
第i个输入变量,Ji为第i个输入变量的参照值个数,输出参照值集合B={Bz|z=1,2,...,
Z},Z为输出的参照值个数。
具体步骤如下:
化而来。
值进行匹配。
22 PS^PS^PS {(VS,0)(PS,0.72)(PM,0.28)(L,0)}
出为r=0.612;
={(V ,pm,t→e(2)),m=1,2};
(6)依次计算得到,如表所示:
0.383)。
t=2 E2=(0.578,0.422) 不报警(NA)
t=3 E3=(0.617,0.383) 不报警(NA)
次数为Limit,利用下式产生初始解空间
=0.625,收益度越趋近于1,表明参数越优。
式(16a)产生新的蜜源,直到产生的新蜜源在解空间范围内即可,并评估新蜜源的收益度,
利用下式达到择优的目的。
个参数在其周围利用式(16a)产生新的参数值,假设新参数集合P1={30,45,60,70,80,85,
90,95,100,110,120,130,1.1,0.5},不满足约束条件,则需要重复利用(16a)产生新的参数
P2,假设新参数集合P2={30,45,60,70,80,85,90,95,100,110,120,130,0.9,0.5},然后计
算出该参数集合的收益度,利用式(16b)与参数集合P比较,从而判断是否替代。
可得到全局报警证据,从而进行报警决策。
准则库对证据的可靠性进行实时更新,然后利用融合规则将当前时刻报警证据与其以往时
刻全局的报警证据进行融合,权重和输入参照值进行离线优化,并在判定准则下判定是否
发出警报,从而有效降低不确定性因素的影响,提升报警器的各个性能指标。
{15,30,45,60,70,80,85,90,95,100,110,120,130,150},N=14。
值是在设备处于异常运行状态测得的,对应输出y(k)=1;则有L1+L2=T=4000。获得样本集
合所有T=4000个样本矢量(x(t),y(t))的综合似同度分布,即可构造出本发明方法步骤
(4)中表1所示的样本投点映射矩阵如下表3所示。输入样本矢量[x(t),y(t)]的投点映射矩
阵如下表所示:
(0.617,0.383)。
t=1 E1=(0.226,0.774) 报警(A)
t=2 E2=(0.578,0.422) 不报警(NA)
t=3 E3=(0.617,0.383) 不报警(NA)
120,130},使用步骤(9‑2)中的适应度函数作为目标函数,最终得到优化后的参数,重复步
骤(3)至(8)可得优化后的FAR=2.5%,MAR=2.1%,报警性能得到大幅提升。
方法比较
数字滑动滤波方法(%) 19.75 9.62
时间延迟方法(%) 8.65 16.33
报警信度融合方法(%) 2.9 2.7